Netzwerkanalyse des Default Mode Netzwerk mit Functional MRI-Konnektivität in Temporallappen-Epilepsie

Zusammenfassung

Das Default Mode Network (DMN) in Temporallappen-Epilepsie (TLE) ist im Ruhezustand des Gehirns mit Seed-basierte funktionelle Konnektivität MRI (fcMRI) analysiert.

Zusammenfassung

Funktionelle MRT-Konnektivität (fcMRI) ist ein fMRI-Methode, die die Verbindung der verschiedenen Hirnregionen, basierend auf der Korrelation der BOLD-Signal Schwankungen über die Zeit untersucht. Temporallappen-Epilepsie (TLE) ist die häufigste Form der Epilepsie und Erwachsenen umfasst mehrere Gehirnnetzwerken. Der Standard-Modus-Netzwerk (DMN) im Bewusstsein, Ruhezustand Kognition beteiligt und wird gedacht, um in TLE beeinträchtigt werden, wenn Anfälle verursachen Beeinträchtigung des Bewusstseins. Der DMN in der Epilepsie wurde mit Samen basierenden fcMRI sucht. Die vorderen und hinteren Naben der DMN wurden als Samen in dieser Analyse verwendet. Die Ergebnisse zeigen eine Trennung zwischen dem vorderen und hinteren Naben der DMN in TLE im Grundzustand. Darüber hinaus erhöht DMN-Konnektivität zu anderen Hirnregionen in der linken TLE zusammen mit verringerter Konnektivität in der rechten TLE wird enthüllt. Die Analyse zeigt, wie Samen-Basis fcMRI kann zur zerebralen Netzwerke Sonde in Gehirnstörungen wie TLE werden.

Einleitung

Funktionelle Konnektivität MRI (fcMRI) ist eine relativ neue analytische Ansatz zur fMRI-Daten, die die Beziehung zwischen verschiedenen Hirnregionen, basierend auf der Ähnlichkeit ihrer Blutsauerstoffniveau abhängig (BOLD-Signal) Zeitreihen quantifiziert - dies wird als "funktional"-Konnektivität und ist unterscheidbar von anatomischen Konnektivität, die die Existenz von physikalischen Verbindungen zwischen den Regionen (z. B. weiße Substanz Fasern) beschreibt. In einer speziellen Anwendung dieser Vorgehensweise werden die Zeitreihe erfasst werden, wenn der Teilnehmer nicht in einer Aufgabe beschäftigt ist oder in der sogenannten "Ruhezustand".

Obwohl erstmals 1995 ¹ beschrieben, hat es immense Interesse an fcMRI was in etwa 1000 Publikationen auf die Technik im Jahr 2012 zusammen. FcMRI intrinsische Vorteile gegenüber aufgabenbasierte fMRI in (1), dass es keine bestimmte Aufgabe ausgeführt werden soll, ( 2) Gegenstand der Zusammenarbeit istnicht erforderlich ist, (3) Datensätze können verwendet werden, um verschiedene Netzwerke abgefragt werden, Gegenwart (4) besseres Signal-Rausch-Verhältnis ist wahrscheinlich auf Unterschiede in der zerebralen Energetik beteiligt, und (5) eine Umgehung der aufgabenbezogenen verwechselt ^2. Als Beweis für sein Konzept, haben fcMRI Veränderungen gezeigt worden, um mit Veränderungen in der EEG ³ und ⁴ lokale Feldpotentiale im Gehirn entsprechen.

Techniken der Analyse fcMRI gehören ROI / Saatgut-basierte Techniken, Independent Component Analysis (ICA), Graphentheorie, Analyse, Granger Kausalitätsanalyse, lokale Verfahren (Amplitude der Niederfrequenzschwankungen, regionale Homogenitätsanalyse) und andere ^5. Keine einzelne Technik hat noch nicht nachgewiesen klare Überlegenheit gegenüber anderen, obwohl die beliebtesten Methoden sind Samen-basierte Methoden-und ^ICA-6. Seed-basierte fcMRI korreliert zeitlichen Schwankungen in BOLD-Signal von einem vorgewählten Teil des vermeintlichen Netzwerk unter-Studie bezeichnet die "Seed1; oder "Region of Interest (ROI)" für alle anderen Teile des Gehirns. Bereiche des Gehirns, die BOLD-Signal Korrelation zu der Keimbereich gedacht werden, um Teile der beteiligten Netzwerkabzugrenzen. Im Gegensatz dazu verwendet ICA ein Modell freien datengetriebene Analyse raum-zeitlich korreliert Hirnareale (Independent Bauelemente, ICs) durch die Analyse der hämodynamischen Signaleigenschaften des gesamten Gehirns ⁵ extrahieren.

In der aktuellen Manuskript, eine Beschreibung in einer zuvor veröffentlichten Studie der Ruhezustand Saatgut-basierte Konnektivität Analyse der DMN in TLE Methoden vorgestellt ^7. TLE ist die häufigste Form der Erwachsenen Epilepsie. Zusätzlich zu Krampfanfällen, verursacht TLE Dysfunktion des Gehirns mehrere Netzwerke, einschließlich Gedächtnis, Verhalten, Denken und sensorische Funktion ^8. Der DMN wird von Hirnregionen dienlich bewusst, Ruhezustand Erkenntnis besteht. Der DMN wurde berichtet, in Anfällen mit eingeschränkter consc verbunden beteiligt werdeniousness ^9,10. Zusätzlich der Hippocampus ist der Schlüssel-Struktur in TLE beteiligt und hat gedacht worden, um Bestandteil des DMN sein. Jedoch ist die Anbindung des PCC zum Hippokampus schwächer als mit anderen DMN-Komponenten wie medialen präfrontalen und inferioren parietalen Kortex. Dies deutet darauf hin, dass der Hippocampus ist entweder ein Subnetz des DMN oder interagierenden Netzwerk ^11,12. Diese Gemeinsamkeiten zwischen TLE und DMN werfen die Möglichkeit, die funktionelle Konnektivität ist in TLE verändert DMN. Diese Analyse vergleicht die DMN der Patienten mit TLE zu gesunden Kontrollen, um Einblick in die Beteiligung der DMN in TLE zu gewinnen. Die Konnektivität der Samen in den Hauptzentren der DMN platziert - die vorderen und hinteren Nabe Regionen wurden analysiert, ^12. Samen wurden in der hinteren Nabe aus der retrosplenium / Precuneus (Rsp / PCUn) sowie der vorderen Nabe aus ventromedialen präfrontalen Kortex (vmPFC) bei Patienten mit TLE und platziertgesunden Kontrollen, um die hinteren und vorderen Teilnetze des DMN identifizieren.

Protokoll

Ein. Themen

1. Die Studienpopulation von 36 Probanden umfasst 3 Gruppen: rechts TLE (n = 11), links TLE (n = 12) und gesunden Kontrollen (n = 13). Erhalten schriftliche Einverständniserklärung von allen Probanden. Die Studie folgt den Richtlinien der Universität von Kalifornien, Los Angeles (UCLA) Institutional Review Board.
2. Die Epilepsie-Fachgruppen sollten Patienten, die per Video-EEG-Monitoring, Gehirn-MRT, PET-Bildgebung und neuropsychologische Tests bestimmt Kandidaten für die vorderen Schläfenlappen Resektion sein. Patienten sollten ihre üblichen Medikamente während der fMRT-Scan fortsetzen und sollte nicht sofort nach dem Anfall gescannt werden. Stellen Sie sicher, dass alle Probanden haben normale Gehirn-MRT und sind frei von neurologischen Erkrankungen (Epilepsie andere als in den Patientengruppen) oder werden mit neurologischen Medikamenten.

2. Imaging

1. Verwenden Sie ein 3-Tesla-MRT-System für die Bildgebung. Erhalten axialen Schichten für funktionelle Bilder mit einem Echo-Planar-Bildgebunging (EPI)-Sequenz und für anatomische Bilder mit einem Farbverlauf erinnerte verwöhnt (SPGR)-Sequenz.
2. Führen Sie die funktionelle Bildgebung mit folgenden Parametern: TR = 2000 ms, TE = 30 ms, FOV = 210 mm, Matrix = 64 x 64, Schichtdicke 4 mm, 34 Scheiben schneiden. Verwenden Sie die folgenden Parameter für hochauflösende strukturelle Bildgebung: TR = 20 ms, TE = 3 ms, FOV = 256 mm, Matrix = 256 x 256, Schichtdicke 1 mm, 160 Scheiben.
3. Jedes Imaging-Sitzung sollte 20 Minuten dauern. Bitten Sie die Teilnehmer entspannen Sie sich mit geschlossenen Augen. Keine spezielle Gehöreingang erforderlich ist.

3. Vorverarbeitung von BOLD Daten

1. Vorverarbeitung der fMRI-Daten mit FSL (fMRIB Software Library) Software-Version 4.1.6 (Oxford, Großbritannien, www.fmrib.ox.ac.uk / fsl) ^13,14. Vorverarbeitung Schritte sollten gehören: Verwenden FSL MCFLIRT der Kopfbewegung Artefakt ¹⁵ zu entfernen. Verwenden FSL BET zu nonbrain Gewebe ¹⁶ mit BET-Option-F für BOLD-Dateien zu entfernen. Das hilft einem Lauf feitere Analyseschritte auf dem Hirngewebe allein.
2. In FEAT, führen Sie eine minimal verarbeitet Analyse mit Registrierung. Wählen Sie "First-Level-Analyse" und ändern Sie "Full-Analyse" auf "Pre-stats" aus den beiden oberen Knöpfe.
   1. Unter Pre-Statistiken Registerkarte, deaktivieren Sie "BET Gehirn Extraktion" und wählen Sie "None" für "Bewegungskorrektur" (wie diese wurden oben bereits geschehen). Registrieren der funktionalen (fett) Bilder der anatomischen (SPGR) Bilder, und dann einer Standard-(MNI) Bildes. Dies führt zu der Generation von Transformations-Matrizen, die bei der Analyse später verwendet werden, die in Standard-Raum in Raum Gehirn des Probanden ausgewählten Samen verziehen.
3. Verwenden Sie die generierte Transformationsmatrix (mit dem Namen "standard2example_func.mat") und verwandeln CSF und weißen Substanz ROIs in einzelne BOLD Raum.
   1. Entpacken Sie die Zeitreihe aus der CSF und weißen Substanz ROIs mit dem Befehl fslmeants,Verwendung des ROI in einzelnen Fachraum als Maske. Normalisieren der extrahierten Zeitreihen mit Hilfe der Software "R". Diese Zeitreihen werden als Regressoren in der GLM später verwendet, um die entsprechenden Signale Artefakt aus der Analyse zu entfernen.
4. Der nächste Schritt ist die Entfernung von Motivbewegung bezogenen Artefakten. Für Regression der Bewegungsparameter, setzen Sie die folgenden innerhalb FSL FEAT, bevor Sie es.
   1. Innerhalb der Registerkarte Daten verwenden Bewegungs korrigiert und Gehirn-extrahierte Datei als Eingänge, stellen Sie die TR-Wert, um Ihre Datenmenge entsprechen. Set Hochpassfilterung mit einem 100 sec-Filter. Die Hochpassfilterung wird Signale nicht von Interesse, die von sehr niedrigen Frequenz zu entfernen. Ein Tiefpaßfilter, um Hochfrequenzsignale zu entfernen wird später in Schritt 4.1 verwendet werden.
   2. Innerhalb der Registerkarte Pre-Statistiken, wählen Sie "Keine" unter "Bewegungskorrektur", wie es bereits getan wurde. Deaktivieren Sie "WETTE Gehirn Extraktion", wie es bereits getan wurde. Führen räumliche Glättungmit einem 5-mm-Halbwertsbreite (FWHM).
   3. Innerhalb der Registerkarte Statistik, die zurückbilden 6 Bewegungsparameter und deren zeitliche Ableitungen. Wählen Sie "None" für die Faltung und überprüfen Sie "Apply zeitliche Filterung." Verwenden Sie die Ausgabe von FSL MCFLIRT Textdateien Bewegungsparameter zu erhalten, die dann in den FEAT Analysemodell, um diese in einem allgemeinen linearen Modell (GLM) zurückbilden kann
   4. Fügen Sie auch die CSF und weißen Substanz extrahiert und Signale, die in den vorherigen Schritten normalisiert wurden dem GLM. Wählen Sie "None" für die Faltung, fügen zeitliche Ableitung, und deaktivieren Sie "Apply zeitliche Filterung".

4. Statistische Methoden

1. Die Residuen aus Vorverarbeitung oben beschrieben sollte für Saatgut-basierte Korrelation verwendet werden. Diese Rückstände zunächst durch ein Tiefpassfilter von 0,1 Hz weitergeleitet werden und dann durch Subtrahieren der mittleren, Dividieren durch die Standardabweichung, und dann durch Zugabe von skalierten erniedrigt100. Sollten Samen mit einem Durchmesser von 6 mm in der Standard MNI Raum mit MRICron Software definiert werden.
2. Die hintere und die vordere Samen sollten die folgenden Koordinaten entsprechen: (1) Rsp / PCUn Bereich (x = 2, y = -60, z = 36) und (2) ventromedialen präfrontalen Kortex (vmPFC, x = 3, y = 60, z = -1). Die Samen wurden innerhalb von Standorten gesunden Kontrollen definiert, die mit dem Thema Raum in dem nächsten Schritt ^17-19 transformiert.
   1. Die Samen sollten anschließend auf die einzelnen Funktionsraum Gehirn jedes Thema aus dem Standard-MNI-Raum transformiert werden. Dazu verwenden Sie den oben erzeugten Transformationsmatrix (mit dem Namen "standard2example_func.mat"), um die Samen von Standard-(MNI) Raum in den einzelnen Funktions (BOLD-) Raum zu verwandeln.
   2. Verwenden Sie den Befehl fslmeants, um die Zeitreihe aus der zuvor erniedrigt und skaliert Rest, mit dem Samen in den einzelnen Fachraum als Maske zu extrahieren. Normalisieren der extrahierten Zeitreihen über die Soft-ware "R".
3. Partielle Korrelationen zwischen den Samen Voxel und alle anderen Hirn Voxel separat für jedes Thema für jeden Durchlauf berechnet werden. Dazu in der FSL FEAT GUI, wählen Sie "First-Level-Analyse", und dann "Statistiken + Post-Statistiken". Innerhalb der Registerkarte Daten, sollte die zuvor erniedrigt und skaliert Rest als Input FEAT verwendet werden.
4. Stellen Sie den Hochpassfiltergrenz bis 10.000, wie die Rest ist bereits hoch bei 100 sec geleitet. Innerhalb der Registerkarte Statistik, deaktivieren Sie "Use FILM prewhitening", und verwenden Sie die zuvor extrahierte und normalisiert Samen Zeitreihen in der GLM. Innerhalb der Registerkarte Post-Statistiken, die gewünschte Z-stat-Schwelle auf einen Wert von 2,0.
5. Vor dem Ausführen von Gruppenanalyse kombiniert Läufe innerhalb der Subjekte, sollte ein Fisher-Z-Transformation auf die von der zuvor laufen Korrelationsanalyse (Schritt 4.3) erzeugt COPE (Kontrast der Parameterschätzer)-Datei durchgeführt werden. Anmeldung Kopieren von Daten from der "reg"-Verzeichnis des FEAT Analyse in Schritt 3.1 getan in der Korrelation Lauf von Schritt 4.3.
6. Führen Sie einen übergeordneten Analyse durch die Kombination läuft in jedem Thema. Dazu in der FSL FEAT GUI, wählen Sie "Higher-Level-Analyse", und dann "Statistiken + Post-Statistiken". Innerhalb der Registerkarte "Daten", wählen Sie "Eingänge sind untergeordnete Verzeichnisse FEAT" und geben Sie läuft Subjekts aus Schritt 4.4. Innerhalb der Registerkarte "Statistik", wählen Sie "Gemischte Effekte: Einfache OLS". Up-Modell als Mittel Wirkung Set; geben Sie den Wert 1 für jede Lauf des Subjekts.
7. Um Daten über läuft zwischen den Fächern, einer der kleinsten Quadrate (OLS) kombinieren sollte einfach gemischte Effekte Analyse verwendet werden. Dazu in der FSL FEAT GUI, wählen Sie "Higher-Level-Analyse" und "Statistiken + Post-Statistiken". Innerhalb der Registerkarte Daten wählen "Eingänge sind untergeordnete Verzeichnisse FEAT" und geben Probanden Auflagen aus Schritt 4.5.
8. Innerhalb der Registerkarte Statistik, wählen Sie "Gemischte Effekte: Einfache OLS" 'ein Modell zu 3 Gruppen Set; geben Sie den Wert 1 für die Gruppe jeder Proband gehört, sonst 0. Gruppe Analyse sollte auf jeden Voxel mit einem One-Way-ANOVA mit drei Ebenen, die zu den drei Gruppen (rechts TLE links TLE und gesunde Kontrollen) entsprach geführt werden.
9. Um die Schwelle Z-Statistik Bilder zu verwenden Cluster-Bildung Schwelle von Z> 2,0 und korrigiert Cluster signifikante Schwelle von p = 0,05 ^20. Um eine korrekte z-Werte auf der Korrelationskarte zu erhalten, sollte eine umgekehrte Fisher-Z-Transformation auf die Ergebnisse durchgeführt werden.
10. Die folgenden spezifischen Kontraste sollten (1) rechte TLE> Kontrollen verglichen werden; (2) links TLE> Kontrollen; (3) rechte TLE> links TLE; (4) TLE links> rechts TLE; (5) Steuer> rechte TLE; (6) Steuer> links TLE; (7) TLE (kombiniert rechts und links)> Kontrolle; und (7) Steuer> TLE (kombiniert rechts und links).

Ergebnisse

Abbildung 1 zeigt die DMN zeigte mit Konnektivität von einem hinteren Samen (RSP / PCUn, rot-gelb-Farben) und einer vorderen Samen (vmPFC, blau-grünen Farben) und vergleicht die Netze in den verschiedenen Fächergruppen festgestellt (Abb. 1A-C) und zwischen sich, und zwar im Vergleich zu gesunden Kontrollen aller Patienten mit TLE (Fig. 1D und 1E), und gesunden Kontrollen einzeln nach links TLE (Fig. 1F und 1G) und re...

Diskussion

Epilepsie ist gedacht, um eine Netzwerk Krankheit sein, und Anomalien der beteiligten Netzwerke während der Anfälle und in der interiktalen Zustand ²¹ vorhanden sind. Aufgabenbasierte fMRI wurde verwendet, um Anomalien der Sprache und Speichernetzwerke in TLE ⁸ zu analysieren. FcMRI hat inhärente Vorteile bei der Untersuchung des DMN ^12, wie es ein Netzwerk in den Ruhezustand im Wesentlichen ausgeschaltet. DMN ist ein Netzwerk von Hirnregionen, die gefunden wurde an wachen Personen, d...

Materialien

Name	Company	Catalog Number	Comments
MRI machine
Linux workstation with image analysis software installed